transE论文阅读

最新推荐文章于 2025-09-20 15:25:03 发布
原创 最新推荐文章于 2025-09-20 15:25:03 发布 · 2.1k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

博客围绕transE论文展开阅读，但内容仅提及‘震’，未提供更多关键信息。

在这里插入图片描述
在这里插入图片描述

震

transE论文阅读 19年记录的
zhang_fu_guan的博客
10-28 302
论文标题： Translating Embeddings for Modeling Multi-relational Data——NIPS2013 论文链接 https://proceedings.neurips.cc/paper/2013/file/1cecc7a77928ca8133fa24680a88d2f9-Paper.pdfhttps://proceedings.neurips.cc/paper/2013/file/1cecc7a77928ca8133fa24680a88d2f9-Pa.
【论文解读】TransE
BINGO's BLOG
07-05 4458
TranE论文解读 Trans系列的主题是基于翻译模型的知识表示学习，主要用来解决知识表示和推理的问题。本文主要介绍TransE和数据集Wordnet、Freebase等。 表示学习：主要面向知识图谱中实体和关系进行表示学习，一般使用建模方法将实体和向量表示在低维稠密向量空间中，然后计算并推理，主要的应用任务有三元组提取(triplet classification)和链接预测(link pred...
知识图谱嵌入：TransE代码及解析（初学者也能看懂）
最新发布
2501_93199707的博客
09-20 605
知识图谱嵌入：TransE代码及解析（初学者也能看懂）
TransH论文
12-11
关于TransH的论文，提出了TransH算法，并进行了实验。
【论文精读】TransE 及其实现
VLyb
09-17 4495
TransE 论文精读及其实现
论文解读：（TransE）Translating Embeddings for Modeling Multi-relational Data
夏栀的博客
11-29 1万+
论文解读：（TransE）Translating Embeddings for Modeling Multi-relational Data   表示学习是深度学习的基石，正式表示学习才能让深度学习可以自由的挖掘更深层次的特征。自word embedding（词嵌入表示）的提出，一种对结构化信息的三元组的表示学习也进入研究视野。TransE模型正是一种基于深度学习的知识表示方法，也是Trans系列...
论文阅读12---TransE（知识图谱嵌入）,IterE,AMIE
qq_56164625的博客
04-15 2443
我们考虑在低维向量空间中嵌入多关系数据的实体和关系的问题。我们的目标是提出一种易于训练、包含较少数量的参数并且可以扩展到非常大的数据库的规范模型。因此，我们提出了 TransE，一种通过将关系解释为对实体的低维嵌入进行操作的翻译来对关系进行建模的方法。尽管很简单，但这种假设被证明是有效的，因为大量的实验表明 TransE 在两个知识库的链接预测方面显着优于最先进的方法。此外，它可以在包含 1M 实体、25k 关系和超过 17M 训练样本的大规模数据集上成功训练。TransE 方法的优缺点优点。
TransE 论文笔记
Jay98的博客
03-03 1347
Translating Embeddings for Modeling Multi-relational Data
TransE:重新实现TransE模式
05-20
重新实现TransE模式原始论文是 测试结果 数据集：WN18 原始实体点击数10：0.651 原始实体mean_rank：284 过滤器实体点击数@ 10：0.728 过滤器实体mean_rank：278 FB15K 原始实体点击数@ 10：0.332 原始实体mean_...
(2020)TransE论文笔记
Troublemaker丶的博客
12-27 2448
Title:《Translating Embeddings for Modeling Multi-relational Data》 比较经典的embedding算法，做个笔记一起学习。 文章目录： Abstract Introduction Translation-based model Algorithm 伪代码 Experiments Conclusion an...
TransE，知识图谱嵌入（KGE）论文精读
Ax的博客
02-05 5019
最近在看关于知识图谱嵌入（KGE）的文章，个人能力有限，希望大家在评论区多提问题，我会及时关注和回复，修改完善对本篇论文的理解，同时，诚恳希望大家多提建议，多批评，多交流....
知识图谱论文阅读笔记-TransE
UpUp的博客
10-20 988
transE阅读笔记-Translating Embeddings for Modeling Multi-relational Data前言算法介绍算法训练参考 前言 对知识图谱写过一个小小的综述笔记-----知识图谱综述笔记 下周组会要讲论文了，先对知识图谱中的trans家族进行逐篇阅读，笔记记录，好进行一个总结。 今天是第一篇transE，后续是transR,transH。 算法介绍 transE算法是在13年提出的，本文的研究焦点就在多关系数据的问题，其目标是提供一个高效的工具实现自动的补全新的事物而
TransE算法（Translating Embedding）
热门推荐
u011274209的专栏
03-27 6万+
介绍TransE算法（Translating Embedding）
TransH论文翻译
Alex的博客
12-06 1491
TransH全文翻译
TransH 论文笔记
Jay98的博客
03-04 1120
Knowledge Graph Embedding by Translating on Hyperplanes
论文简读-TransE-《Translating Embeddings for Modeling Multi-relational Data》
qq_26623993的博客
06-08 741
TransE: Translating Embeddings for Modeling Multi-relational Data 1. introduction 本文研究的是将知识图谱中实体和关系嵌入(embedding)至低维向量空间的问题， 提出了名为TransE的实体与关系表示方法，该方法将实体与实体的关系看成是翻译操作。 2. Translation-based model 给出一个知识图谱中的三元组(h,r,t)(h, r, t)(h,r,t),其中h,t∈E,r∈Rh,t \in E, r \
TransE论文第2节：翻译模型
NULL
04-13 5707
给定一个由三元组(h, l, t)组成的训练集S，其中h，t属于E，关系属于L，我们的模型学习实体和关系的向量嵌入。嵌入的取值属于（k是模型的一个参数），用相同的大写字母表示。
【论文笔记】 知识图谱 之 TransE算法（Translating Embedding）
justlpf的专栏
10-31 2723
原文地址:https://blog.youkuaiyun.com/elaine_bao/article/details/52012537
TransE论文第3节：相关工作
NULL
04-14 3251
rotate transe
03-26
<think>嗯，用户问的是如何在知识图谱嵌入中使用Rotate操作改进TransE模型。首先，我得回忆一下TransE的基本原理。TransE是把关系看作头实体到尾实体的平移，即$h + r ≈ t$。这种模型在处理简单关系时效果不错，但面对复杂关系，比如对称、逆反或者组合关系时，可能表现不佳，因为它的平移假设不够灵活。[^3] 接下来，我需要了解RotatE模型。根据引用[4]，RotatE是在复数空间中将关系表示为旋转操作，即$h \circ r ≈ t$，其中$\circ$表示复数乘法，也就是旋转。这种旋转操作能够更好地捕捉对称、逆反等复杂关系，因为旋转具有方向性和周期性，可以更自然地表示这些关系。 用户想知道如何用Rotate操作改进TransE。这里的关键点是将平移替换为旋转。TransE用的是向量加法，而RotatE用复数乘法。可能需要将实向量空间扩展到复数空间，每个实体和关系都用复数向量表示。然后，定义损失函数时，比如使用L1或L2范数来衡量头实体旋转后与尾实体的距离，类似TransE的做法。[^4] 另外，RotatE在训练时可能需要不同的参数初始化，或者调整负采样的策略，因为旋转操作对向量的模长可能有要求。比如，可能需要约束关系向量的模为1，保持纯旋转，避免缩放影响。此外，评估指标也需要考虑旋转后的空间特性，比如链接预测任务中的Hit@k或MRR。 还要考虑复杂度问题。复数操作的计算量可能比实数加法大，但现代深度学习框架如PyTorch支持复数运算，实现起来应该可行。同时，RotatE的论文提到它能够处理多种关系类型，这可能提升模型的表达能力，尤其是在需要推理对称或逆反关系时。 总结一下，改进步骤应该是：扩展嵌入到复数空间，替换加法为旋转（复数乘法），调整损失函数和训练策略，可能加入模长约束，并评估在复杂关系上的表现。此外，引用RotatE的原始论文也是必要的，确保学术规范。</think>### RotatE对TransE模型的改进方法 知识图谱嵌入中，TransE模型通过向量平移假设$h + r \approx t$进行表示学习，而RotatE引入复数空间中的旋转操作$h \circ r \approx t$（$\circ$表示复数乘法），主要改进体现在以下三个方面： #### 1. 关系表达能力增强 - **TransE的局限性** TransE无法表示对称关系（如$r(x,y) \Rightarrow r(y,x)$）和逆关系（如$r^{-1}$），例如当存在$h + r = t$和$t + r = h$时会导致矛盾[^1] - **RotatE的旋转特性** 在复数空间中，关系$r$表示为单位复数$e^{i\theta}$，关系运算对应复平面上的旋转。对称关系可通过$\theta = 0^\circ/180^\circ$实现，逆关系通过$\theta_r + \theta_{r^{-1}} = 360^\circ$表达 $$示例公式：$$ $$h = (a + bi),\ r = e^{i\theta},\ t = h \cdot r = (a\cos\theta - b\sin\theta) + (a\sin\theta + b\cos\theta)i$$ #### 2. 空间拓扑结构优化 - **模长约束** RotatE要求关系向量的模长为1，确保纯旋转操作，避免TransE中向量尺度失控问题 - **复杂关系建模** 支持多跳关系推理：$r_1 \circ r_2 = r_3$对应的角度相加$\theta_1 + \theta_2 = \theta_3$ #### 3. 实现方式改进（PyTorch示例） ```python import torch # 定义复数嵌入 entity_emb = torch.nn.Embedding(num_entities, 2*dim) # 实部+虚部 relation_emb = torch.nn.Embedding(num_relations, dim) # 角度参数 def rotate(h, r): theta = r * 2 * torch.pi # 角度参数化 r_real = torch.cos(theta) r_imag = torch.sin(theta) h_real, h_imag = torch.chunk(h, 2, dim=-1) return torch.cat([ h_real * r_real - h_imag * r_imag, h_real * r_imag + h_imag * r_real ], dim=-1) # 评分函数 def score(h, r, t): return -torch.norm(rotate(h, r) - t, p=1, dim=-1) ``` ### 改进效果对比 | 特性 | TransE | RotatE | |----------------|----------------------|----------------------| | 关系类型支持 | 简单平移关系 | 对称/逆/组合关系 | | 空间维度 | 实数空间 | 复数空间 | | 参数约束 | 无模长限制 | 关系向量模长为1 | | 计算复杂度 | $O(d)$ | $O(2d)$ | | FB15k-237 Hits@10 | 0.466 | 0.492 |
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值